密度图的密度估计_Seaborn可视化 核密度分布图 seaborn.kdeplot

核密度估计(kernel density estimation)是在概率论中用来估计未知的密度函数，属于非参数检验方法之一。通过核密度估计图可以比较直观的看出数据样本本身的分布特征。具体用法如下。

• 函数原型

sns.kdeplot(data,data2=None,shade=False,vertical=False,            kernel='gau',bw='scott',gridsize=100,cut=3,clip=None,            legend=True,cumulative=False,shade_lowest=True,cbar=False,            cbar_ax=None,cbar_kws=None,ax=None,**kwargs)

• 生成一组数据绘制第一张核密度分布图

sns.set(color_codes=True)mean, cov = [0, 2], [(1, .5), (.5, 1)]x, y = np.random.multivariate_normal(mean, cov, size=50).Tax = sns.kdeplot(x)

• 设置颜色

ax = sns.kdeplot(x, shade=True, color="r")

• 加入y轴就变成了等高线图

ax = sns.kdeplot(x, y)

• 显示等高线阴影

ax = sns.kdeplot(x, y, shade=True)

• 优化参数，美化视图

setosa = iris.loc[iris.species == "setosa"]virginica = iris.loc[iris.species == "virginica"]ax = sns.kdeplot(setosa.sepal_width, setosa.sepal_length,                 cmap="Reds", shade=True, shade_lowest=False)ax = sns.kdeplot(virginica.sepal_width, virginica.sepal_length,                 cmap="Blues", shade=True, shade_lowest=False)

以上就是核密度分布图的分享，下期我们将分享热力图seaborn.heatmap

的绘制方法。

如果喜欢，请点赞和收藏，这对我非常重要，万分感谢。